WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 |

На правах рукописи

Тишкин Роман Валентинович СИСТЕМА ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ НА КОСМИЧЕСКИХ МНОГОЗОНАЛЬНЫХ ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Рязань 2008

Работа выполнена в ГОУ ВПО «Рязанский государственный радиотехнический университет» Научный руководитель - доктор технических наук, профессор Пылькин Александр Николаевич

Официальные оппоненты: доктор технических наук, профессор Кузнецов Алексей Евгенеевич кандитат технических наук Новиков Геннадий Александрович

Ведущая организация: Институт космических исследований РАН, г. Москва

Защита состоится 24 сентября 2008 года в 12 часов на заседании диссертационного совета Д 212.211.01 в ГОУ ВПО «Рязанский государственный радиотехнический университет» по адресу: 390005, г.

Рязань, ул. Гагарина, 59/1.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Рязанский государственный радиотехнический университет» по адресу:

390005, г. Рязань, ул. Гагарина, 59/1.

Автореферат разослан «_»2008г.

Ученый секретарь диссертаци- онного совета кандидат технических наук доцент В.Н. Пржегорлинский 2

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Космические системы дистанционного зондирования Земли (ДЗЗ) позволяют получать изображения, на которых представлены как облачные образования, так и объекты суши и водной поверхности. Причем для решения гидрометеорологических задач облачные образования являются предметом исследования, а для задач картографирования территорий, изучения природных ресурсов и др. облака являются помехами и подлежат исключению из процесса обработки видеоматериалов. В обоих случаях возникает необходимость распознавания и выделения на изображениях облачных образований.

Наиболее успешный опыт решения задачи по автоматическому распознаванию облачности реализован в американском проекте Blue Marble: Next Generation, в котором для этой цели применяется гиперспектральный принцип сканерной съемки, а так же использование широкого набора данных о параметрах атмосферы и земной поверхности. Однако большое число спутниковых систем выполняют съемку в видимом (RGB) диапазоне спектра. Для распознавания облачности на получаемых таким способом снимках применяются пороговые алгоритмы сегментации, которые в отдельных случаях не обеспечивают требуемого качества распознавания, по сравнению с тем, как это может выполнить оператор. Отсюда возникает острая необходимость в разработке новых подходов идентификации облачности на космических изображениях, обеспечивающих сравнимую с интеллектуальными возможностями человека точность распознавания.

Значительный вклад в развитие направления анализа данных ДЗЗ внесли отечественные и зарубежные ученые: Асмус В.В., Вудс Р., Гонсалес Р., Злобин В.К., Лупян Е.А., Прэтт У., Сойфер В.А. и др. Их исследования по дистанционному наблюдению Земли и обработке видеоинформации составляют теоретическую основу для решения поставленных задач.

Цель работы заключается в создании высокоэффективных алгоритмов идентификации облачных образований на космических многозональных изображениях на основе методов искусственного интеллекта: искусственных нейронных сетей, нечеткой логики, генетических алгоритмов и нечетких множеств второго типа.

Для достижения поставленной цели решаются следующие основные задачи:

- анализ классических и современных методов сегментации изображений и идентификации облачных образований;

- разработка алгоритмов идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта.

- разработка алгоритмов идентификации облачных образований с учетом степени их прозрачности;

- проектирование высокопроизводительной программной системы идентификации облачных образований на основе технологий удаленного доступа и параллельных вычислений.

Научная новизна работы заключается в том, что впервые предлагаются гибридные алгоритмы искусственного интеллекта для идентификации облачных образований на спутниковых изображениях земной поверхности. Так же впервые предлагаются алгоритмы идентификации облачных образований с учетом степени прозрачности облачных образований на основании только данных ДЗЗ, полученным в видимом диапазоне спектра.

Основные положения выносимые на защиту:

- методика обучения искусственной сети Кохонена с помощью колорометрического алгоритма;

- алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечетких k -средних и оптимизации с помощью генетического алгоритма, позволяющий идентифицировать облачность и слабую облачность;

- алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечеткой кластеризации и интервальных нечетких множествах второго типа, позволяющий идентифицировать облачность с заданной градацией по прозрачности;

- технология виртуального доступа к банкам изображений с использованием службы сетевого запуска программ JavaWebStart и нейропроцессора для ускорения вычислений.

Практическая ценность работы состоит в том, что на базе предложенных в диссертации алгоритмов спроектированы технологии сегментации облачности, используемые при построении карт подстилающей поверхности по спутниковым изображениям и при оценке качества материалов съемки. Эти технологии функционируют в составе систем обработки информации от космических аппаратов NOAA и Метеор 3М №1. Кроме того, результаты работы были использованы в учебном процессе и позволили улучшить качество преподавания дисциплин “Основы теории нечетких множеств” и “Системы искусственного интеллекта”.

Апробация работы. Основные положения диссертации докладывались и обсуждались на 2-х Международных и 4-х Всероссий ских научно-технических конференциях: Международная конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2008; 2 доклада); Международная конференция «Инфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, 2004); Научно-техническая конференция ФГУП "РНИИ КП", посвященная 60-летию предприятия (Москва, 2006); Всероссийская конференция «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2007, 2008). Всероссийская конференция «Сети, системы связи и телекоммуникации. Деятельность ВУЗа при переходе на федеральный государственный образовательный стандарт 3-го поколения» (Рязань, 2008).

Публикации. Основные результаты диссертации опубликованы в 10-и работах, в том числе 2-е работы опубликованы в изданиях, рекомендованных ВАК. В отраслевом фонде алгоритмов и программ Федерального агентства по образованию зарегистрирован комплект программ (свидетельство №10027 от 19.02.2008).

Внедрение результатов работы. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете. Результаты диссертационной работы в виде специализированного программного обеспечения внедрены в Научно-исследовательском Центре космической гидрометеорологии «Планета» (акт о практическом использовании от 12.02.2008) и в учебном процессе Рязанского государственного радиотехнического университета в курсах “Основы теории нечетких множеств” и “Системы искусственного интеллекта” (акт внедрения от 9.04.2008).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Основной текст работы содержит 134 стр., 39 рисунков и 5 таблиц. Список литературы на 12 стр. включает 111 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, изложена цель и соответствующие ей задачи, представлена структура работы.

В первой главе выполнен анализ классических и современных подходов к сегментации изображений и идентификации облачных образований на космических многозональных изображениях. Проведен анализ методов сегментации изображений основанных на колориметрическом подходе и на подходе использующем результат операций с разными спектральными диапазонами, а так же, предложена одна из возможных классификаций по базовым свойствам точек изображения (разрывности и однородности функции яркости).

По результатам проведенного анализа сделаны выводы о том, что дальнейшее совершенствование алгоритмов идентификации облачных образований может быть реализовано на базе теории и методов искусственного интеллекта (искусственных нейронных сетей, нечеткой логики, нечетких множеств 2-го типа, генетических алгоритмов).

В второй главе рассматривается возможность использования искусственных нейронных сетей (ИНС) для решения задачи идентификации облачных образований. Показана принципиальная возможность применения технологии искусственных нейронных сетей в задачах идентификации облачных образований. Рассматриваются методы и алгоритмы идентификации облачных образований, реализующие технологию ИНС, работа которых основана на использовании алгоритма объективной классификации по принципу самообучения и самоорганизации. Предложено проводить идентификацию облачных образований в виде задачи кластеризации в пространстве признаков в автоматическом режиме на основе использования сети Кохонена.

Приведенные в работе примеры свидетельствуют о том, что применение искусственной нейронное сети Кохонена (карты Кохонена) в алгоритме кластеризации позволяет определять легкую облачность и избежать ложного отнесения к облачному покрову льда, песка и других образований с подобной интенсивностью. Сравнительный анализ полученных результатов обработки спутниковых снимков показал ряд недостатков, которые наблюдаются у сети Кохонена в случае применения её для рассматриваемых задач. Недостатками алгоритма ИНС-КХ приходится считать следующие:

метод обучения является чисто эвристическим и завершение процедуры обучения не основывается на строгих оптимизационных математических моделях;

обучение реализуется на основе случайного выбора, поэтому итоговые весовые коэффициенты выходных нейронов зависят от входной последовательности;

различные начальные условия, могут привести к различным результатам обработки;

ряд параметров алгоритма (скорость обучения, вид функции обновления весовых векторов соседей и пр.), а так же целесообразность их изменения в процессе обучения предопределяет необходимость использования более сложных методов обработки, позволяющих добиться лучших результатов.

а б в Рисунок 1 Пример обработки изображения алгоритмом ИНС-КХ-КА (а) Исходное изображение (предоставлено НИИ “Фотон”, г. Рязань).

(б) Результаты выделения 4-х кластеров.

(в) Наложение результатов обработки на исходное изображение. Красным цветом отмечены области отнесенные алгоритмом к “плотной” облачности, желтым цветом отмечены области отнесенные алгоритмом к “легкой” облачности.

оператором, однако более предпочтительной следует считать технологию обработки изображения, в которой подобная задача решается автоматически с использованием соответствующей процедуры, входящей в состав алгоритма кластеризации.

В случае идентификации на спутниковых снимках облачных образований соотношение кластеров с объектами на снимках несколько упрощается. Во-первых, требуется выделить и идентифицировать только лишь облачные образования. Во-вторых, известно формальное определение облачности на спутниковых снимках, так как оператор воспринимает облако на цветном снимке в виде серого объекта с несколькими градациями яркости. В процессе обработки изображения выделяется идеальный объект “облако” в целевом пространстве признаков и в последующем проводится расчет расстояния от усредненной характеристики яркости всех объектов кластера до идеального объекта. Только тот кластер, который оказался наиболее близок к идеальному определению облачного покрова, считается в дальнейшем плотной облачностью.

Рассматриваемые в главе 2 ИНС не позволяют получить требуемого качества обработки из-за неустойчивости результатов.

В третьей главе рассматривается возможность использования методов и алгоритмов нечеткой логики (НЛ), генетических алгоритмов (ГА) и нечетких множеств второго типа (НМ2Т) для улучшения методов идентификации облачных образований. Для решения задачи кластеризации изображений предложено использовать в качестве базового алгоритм нечетких k -средних (НkСр). Однако алгоритм НkСр в приложении к кластеризации элементов изображения характеризуется недостатками:

полученное решение может соответствовать локальному экстремуму, поэтому получаемые результаты могут зависеть от начальных параметров алгоритма;

приемлемое решение находится в результате многократного прогона итеративных вычислений, что в значительной степени усложняет процесс обработки в реальном или квазиреальном масштабе времени.

Предлагается в рамках алгоритма НkСр использовать метод эвристической оптимизации, а именно генетический алгоритм (ГА):

ГА(P0, r, l, sl, Fit, cr, mu, ot), где ГА генетический алгоритм; P0 исходная популяция; r количество элементов популяции; l длина битовой строки, кодирующей решение; sl оператор селекции; Fit фитнес-функция (функ а б в Рисунок 5 Пример результатов работы алгоритма НkСр-ИНМ2Т (а) Исходное изображение (Предоставлено НИИ “Фотон”, г. Рязань).

(б) Результат работы алгоритма НkСр-ИНМ2Т, последующим маркированием облачных образований с параметрами: число итераций = 100; m1 = 2; m2 = 3.

(в) Результат работы алгоритма НkСр-ИНМ2Т, последующим маркированием облачных образований с параметрами: число итераций = 100; m1 = 2; m2 = 4. Красным цветом отмечены области отнесенные алгоритмом к “плотной” облачности, синим цветом отмечены области отнесенные алгоритмом к “легкой” облачности.

Pages:     || 2 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.